应用BigData分析 创造半导体制程技术优化条件

透过大数据分析工具，可有效改善大量数据的分析工作效率，简化分析与研究程序。Splunk

晶圆制程持续优化，目前主流制程已来到20nm线宽水准，进阶制程更挑战10nm或是更小线宽要求，微缩后的电子电路对比现实环境的头发仅有万分之一的宽度，不仅小小的误差就会导致成本良率问题，艰钜的制程优化只能藉由大数据技术追踪改善...

电子产品持续追求轻、薄、效能与电池续航力等要求下、半导体制程持续进行对应优化，半导体晶圆制程自20nm进阶缩小至10nm，甚至挑战更小的半导体线宽设计，持续追求半导体制程优化下，各种自材料面、制造面可能遭遇的技术挑战也越来越艰难，必须在整个制程中导入更科学化的优化技术，才能让半导体制程持续挑战更小的线宽制作需求。

半导体厂导入数据分析、优化制程

其实早在2000年，半导体厂早已导入各种数据蒐集与分析技术，进行半导体、晶圆制程的优化工作，透过掌握制程控制的每项参数、变因进行制程的持续优化，挑战进阶制程下的半导体物理极限。

但随着自动化生产器械在IoT、工业自动化趋势下，透过大量传感器装载与实时监控，能在加工机台透过制作过程撷取的生产设备数据已经有数倍、甚至数十倍成长，加上半导体晶圆动辄千道制作程序，加工设备与材料对应产生的数据量已不可同日而语，在优化制程使用传统的分析工具已无法达成目标，必须导入新一代因应大数据特性优化的分析工具才能达到优化制程目的。

但现实的状况是，在初期导入数据分析透过生产阶段的设备、材料等数据，在以「秒」计的持续汇整下，单一产线累积的区段数据已经相当高，产线为了追一个数据影响跑对应的分析处理一般都要花上一周时间才能获得结果，在数据采集技术、分析工具限制下，当时产线数据难以转至大量分析处理数据的层次，顶多只能作问题分析与小幅优化的工作，这种状况直到2010年做有导入各种大数据、大数据分析技术，在数据化分析生产数据的效益才逐渐产生。

早期数据分析应用有限  优化进阶制程效益受限

另一方面，早期数据分析做的不够多、但仍可优化部分制程的关键在于，早期制程可能是对应40nm以上的半导体晶圆制作，可以这麽说，制作的电子电路线宽与现在的20nm甚至是10nm以下制程要求更宽松，制程优化难度差异大，早期即便没有大数据分析优化生产数据，仍可利用有限的分析工具与电子生产技术改善制程良率，但随着制程技术不断探索新的极限与发展可能，旧的方法与优化技术已遭遇发展瓶颈，或可以说是根本行不通了。

再来检视现有的制程现况，如果以12寸晶圆制程、现有生产数据采集技术进行产线数据撷取，以现有传感器部署方案进行生产数据采集，一般每秒可达到超过100万笔数据以上，早期每个重点生产机台设置的传感器约在500个终端左右，现在一部高端制程使用的设备机台，部署的传感器终端会超过数千组以上，产生的设备数据采集数据量会更为惊人，采用土法炼钢的方式逐批分析数据已经不可行，甚至会错失发现关键数据信息的重要机会，导致更严重的商业损失。

新制程线宽挑战物理极限  大数据分析找出优化关键

然而，挑战新的微缩制程，就有如挑战新的物理极限，每一次制程进展，即会在研发阶段遭遇到以前没有碰过的问题，此时，大数据分析可以在相关现况还不明朗的限制下，先用数据分析找出可能的设备或制程优化的机会点，尤其在先进制程的发展初期，生产数据的采样与进阶分析，即便无法在数据探索阶段找到制程解法，但仍可从无间断的重复采样、归纳发掘可能的数据Pattern，进而持续缩小查找分析范围、将制程问题逐步收敛进而发觉到重点优化数据，大数据分析可以说是拿来收敛问题、甚至解决制程问题的重要工具。

从一开始自产制设备采集的生产数据，数据量大在所难免，因为数据不够细致、不足量，分析数据跨距就会因为过大反而错失发现数据线索的关键，而在数据量小的早期制程分析需求，或许可以利用统计工具进行数据的优化与结果收敛，但新一代制程与设备数据采集，不仅数据跨距更精密、数据更多，设备一开机所汇出的数据即以夸张速度增长，使用基本的统计工具已经很难进行数据处理。

尤其是硅片制程动辄对材料进行近千道甚至超过千次的加工处理程序，制程又横跨数个加工站点，甚至制作程序也不是逐道进行，有时还会回流处理、甚至回流至与原先不同的上游工站进行材料处理，这对于数据采集、汇整与后续分析时，还需参照对应的工作站数据节点进行追踪分析，以便于对生产流程做全面完整的数据分析。

晶圆制程繁复  物料与加工程序均会影响良率

晶圆制作过程繁复是必然现象，针对材料的物理性与化学性加工，所产生的加工结果也会有一定程度的差异，尤其是在不同加工工站、设备机器的处理下，同一个流程可能在不同设备就会产生极大差异，预先将不同设备机台采群集设置再搭配制程产出的数据进行分群、分组深度分析，可将不同群的设备特性进一步以数据分析确认，挖掘制程中可能产生的变异状态，再将左右制品品质的关键控制变因找出来，才能对整体制程能提出具体改善与优化的修正着力点。

除了制作流程的可能产生的生产变异外，其实整个半导体产制变异成因，也可能是材料来源所导致，也就是说如果今天提供Raw Wafer供应商批量提供的材料有略为出现差异，也会导致相同制作程序、却在同一个生产流程下导致不同的产制结果，所以，制程的大数据分析与追踪，不仅是要针对生产机台进行大量、密集更细致的数据采集跨距进行数据积累与定向分析外，在材料端也需要针对进入产线前进行缜密的检测、分析、记录，供后续实际进行生产制造时可以有更详实的参照数据可供分析参考之用。

大数据分析深入机台与制程  创造制程优化条件

现阶段半导体厂，在制程更往物理极限推进的同时，也开始意识到半导体生产导入大数据分析工具的重要性，加上新一代制程设备早已将大量传感器、实时数据采集等功能列为标准配备，甚至要在半导体厂导入生产优化大数据分析，光靠设备机台提供的基本款量测数据采集可能还不够，有可能还需要在设备上线后自行优化、增加数据撷取终端与自行开发大数据采集的数据预处理机制，才能为后继大数据分析制程提供最佳化的数据采集来源。

至于在大数据分析方向，多数半导体厂都会针对设备机台的控制(Tool Control)、生产机台的健康状态(Tool Healthy)进行基本数据采集与分析，进阶用途为针对生产机台生产力(Tool Productivity)优化、生产品质控管(Quality Control)应用、甚至是加工人员的生产力(People Productivity)优化方面，都可以以大数据分析作为基础，将大量积累的数据、找出可优化的关键项目进行数据分析应用。

从被动分析历史数据  进阶至主动发现机台问题

数据分析多半处理历史数据，多数只有制程出现状况才能透过分析追踪找出问题元凶，数据使用的策略过于被动，现在半导体厂也尝试要将大数据分析目标提高至预测分析(Predictive Analytics)、机器学习(Machine Learning)等进阶应用，透过大数据采集、分析搭配数据分析数据形态提早找出生产设备可能出现的问题成因，再透过分析预警标示可疑机台进行重点设备检修，透过设备机台的提早修复避免问题发生导致的钜额损失，甚至更终极的目标为连结机台自我诊断、自我预警甚至是自我修复目标，朝向智能工厂的目标持续发展。

现有导入大数据分析的业者，大多在系统端选用Hadoop平台，除了搭配HBase数据库进行汇整设备机台产出的数据外，运用平行处理系统之Hadoop加速数据处理，应用如SPSS、SAS、R语言等数据统计分析工具进行数据分析。

对于设备机台产出的数据而言，若未经前置处理基本上是毫无用处的杂乱信息，必须先将数据本身进行前置处理、过滤不需要的数据后，再透过数据的特徵萃取过程，使用数据分析工具进行数据采矿处理，才有机会找到影响制程的关键因子，另一种数据用法为将大数据初步分析，透过视觉化工具呈现数据，让数据所代表的现象以图表呈现，例如用来观察产能与机台设备流程的关系，让操作机台设备的工程人员可以看到统计图表就能掌握设备与制程现况，辅助操作者判断制程问题与进行相关处理决策。

至于想在大量累积的数据中要找到制程的答案，其实只是缘木求鱼，过程不应该仅套用几个数值分析模型，可能必须套用数百个分析模型、交叉分析比对才有机会将解法收敛，甚至搭配多种筛选条件，进一步将求解可能性提高，大数据再运用平行运算技术改善处理数据耗费的时间、提升了效率自然也能让大数据的效用更加凸显。

实务中在导入Hadoop技术，一般可缩短数据处理的分析时间，过去若以一批数据导入一组数据模型进行分析，可能需要耗用3？5天时间才能取得初步成效，在导入新的大数据分析工具、平台，在几百万笔基础数据中仅需要2小时左右就能取得出初步成果。